1. Clasifique las siguientes series (discreta o continua, univariada o multivariada)

a. Índice diario de bolsa de valores durante el período de enero 1990 a diciembre 2010. R/ Continua Univariada

b. Registro de la marea en un lugar específico durante 30 días. R/ Continua Univariada

c. Presión sanguínea de una mujer durante el embarazo. R/ Continua Univariada

d. Temperatura promedio diario durante el año 2019.R/ Discreta Univariada

e. Registro diario de nacimiento y defunciones durante el año 2010. R/ Discreta Univariada

3. En la base de datos “nacimiento1990_1995.xls” se tienen las cifras de los nacimientos mensuales inscritos en Costa Rica de enero de 1990 a diciembre de 1995.

a. Importe los datos a R.

naci <- read_excel("Datos/nacimiento1990_1995.xls", 
    col_names = c("Fecha","Nacimientos"))

nacits<-ts(naci$Nacimientos,frequency = 12,start=c(1990,1))


frequency(nacits) #la frecuencia de la serie
## [1] 12
cycle(nacits) #verificar el ciclo de cada observación
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 1990   1   2   3   4   5   6   7   8   9  10  11  12
## 1991   1   2   3   4   5   6   7   8   9  10  11  12
## 1992   1   2   3   4   5   6   7   8   9  10  11  12
## 1993   1   2   3   4   5   6   7   8   9  10  11  12
## 1994   1   2   3   4   5   6   7   8   9  10  11  12
## 1995   1   2   3   4   5   6   7   8   9  10  11  12

b. Elabore un gráfico de la serie.

p<-autoplot(nacits) + 
  labs(x ="t", y = "Nacimientos", title=" Evolución de los nacimientos (ene-90 a dic-1995)")+
  theme_classic()

ggplotly(p)
decomposeNacitsMult <- decompose(nacits,"multiplicative")
decomposeNacitsAditi <- decompose(nacits,"additive")

p1<-autoplot(decomposeNacitsMult)+
  theme_bw()+
  ggtitle("Descomposición Multiplicativa")

ggplotly(p1)
p2<-autoplot(decomposeNacitsAditi)+
  theme_bw()+
  ggtitle("Descomposición Aditiva")

ggplotly(p2)
boxplot(nacits~cycle(nacits),xlab="mes", ylab = "nacimientos")

p3<-ggseasonplot(nacits, year.labels=FALSE, continuous=TRUE)+
  theme_bw()
ggplotly(p3)
## Warning: `group_by_()` is deprecated as of dplyr 0.7.0.
## Please use `group_by()` instead.
## See vignette('programming') for more help
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.
ggseasonplot(nacits, year.labels=FALSE, continuous=TRUE, polar = TRUE)+
  theme_bw()

c. Comente sobre las características de la serie.

9. Utilice la serie fpp2::goog de la bolsa de valores del Google entre 25 de febrero, 2013 a 13 de febrero, 2017.

  1. Haga un gráfico lineal de la serie y comente las características de esta serie.
accgoogle<-fpp2::goog
str(accgoogle)
##  Time-Series [1:1000] from 1 to 1000: 393 393 397 398 400 ...
head(accgoogle)
## Time Series:
## Start = 1 
## End = 6 
## Frequency = 1 
## [1] 392.8300 392.5121 397.3059 398.0113 400.4902 408.0957
pgoogle<-autoplot(accgoogle)+
  theme_bw()

ggplotly(pgoogle)
  1. Una serie diferenciada Zt de la serie Yt es definida como

Zt = Yt −Yt−1.

Zt mide el cambio que produce la observación en el tiempo t con respecto a la observación en el tiempo t − 1. Utilice la función diff(goog) para obtener los cambios diarios de la serie.

zt<-diff(accgoogle)
  1. Haga un gráfico lineal de la serie obtenida en b. ¿La serie parece a un ruido blanco?
pzt<-autoplot(zt)+
  theme_bw()

ggplotly(pzt)
  1. Utilice la función ggAcf() para calcular la función de autocorrelación y compárela con la función de autocorrelación de los ruidos blancos.
pzt2<- ggAcf(zt)+
  theme_bw()

ggplotly(pzt2)